針對風(fēng)電齒輪箱狀態(tài)監(jiān)測數(shù)據(jù)的多變量動態(tài)時空關(guān)聯(lián)性特點,提出了一種基于長短期記憶（long shortterm memory,LSTM）網(wǎng)絡(luò)的齒輪箱故障預(yù)測方法,主要包括離線建模和在線監(jiān)測兩個階段。首先,以齒輪箱油溫為目標(biāo)預(yù)測變量,充分考慮其與其它相關(guān)輸入變量之間在時空維度上的重要關(guān)聯(lián)信息,對歷史監(jiān)測數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),建立齒輪箱正常運行時的油溫監(jiān)測LSTM模型,通過對預(yù)測殘差進(jìn)行評估計算設(shè)定相應(yīng)的檢測閾值;然后,將訓(xùn)練好的油溫監(jiān)測LSTM模型用于在線測試,通過模型殘差分析和閾值比較實現(xiàn)齒輪箱故障狀態(tài)的檢測和預(yù)測;最后,通過風(fēng)電場測試數(shù)據(jù)對所提出的方法進(jìn)行驗證。結(jié)果表明,相比于其它傳統(tǒng)方法,該方法表現(xiàn)出更好的預(yù)測性能,能夠較早預(yù)測故障的發(fā)生。 

【文章來源】：計量學(xué)報. 2020,41(10)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

LSTM結(jié)構(gòu)示意圖

圖2為所提出的風(fēng)電齒輪箱故障預(yù)測方法流程圖，該方法主要包括齒輪箱油溫模型離線訓(xùn)練和在線監(jiān)測兩部分。其中，離線訓(xùn)練部分使用大量正常運行的數(shù)據(jù)訓(xùn)練出健康模型;在線監(jiān)測部分實時預(yù)測油溫并通過EWMA控制圖加權(quán)計算其殘差，若超出閾值，則對故障發(fā)出故障預(yù)警。4.1 模型構(gòu)建

確定好模型的層數(shù)和每層的記憶單元后，采用基于時間的反向傳播算法來學(xué)習(xí)模型的各個權(quán)重和偏置。模型的激活函數(shù)采用式(8)的雙曲正切函數(shù)，訓(xùn)練時采用式(9)所示的損失函數(shù)。4.2 閾值設(shè)定

【參考文獻(xiàn)】：
期刊論文
[1]基于變分模態(tài)分解與深度信念網(wǎng)絡(luò)的運動想象分類識別研究[J]. 何群,杜碩,王煜文,陳曉玲,謝平.  計量學(xué)報. 2020(01)
[2]基于相關(guān)主成分分析和極限學(xué)習(xí)機的風(fēng)電機組主軸承狀態(tài)監(jiān)測研究[J]. 何群,王紅,江國乾,謝平,李繼猛,王騰超.  計量學(xué)報. 2018(01)
[3]基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電機組主軸承故障檢測[J]. 趙洪山,劉輝海.  太陽能學(xué)報. 2018(03)
[4]基于DEMD局部時頻熵和SVM的風(fēng)電齒輪箱故障診斷方法研究[J]. 孟宗,劉東,岳建輝,詹旭陽,馬釗,李晶.  計量學(xué)報. 2017(04)
[5]風(fēng)力發(fā)電機組故障診斷與預(yù)測技術(shù)研究綜述[J]. 金曉航,孫毅,單繼宏,吳根勇.  儀器儀表學(xué)報. 2017(05)
[6]風(fēng)力發(fā)電機狀態(tài)監(jiān)測和故障診斷技術(shù)的研究與進(jìn)展[J]. 陳雪峰,李繼猛,程航,李兵,何正嘉.  機械工程學(xué)報. 2011(09)



本文編號：3626224